[發(fā)明專利]一種結(jié)合改進(jìn)稀疏濾波器與KELM的軸承故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910081340.4
• 申請(qǐng)日: 2019-01-28
• 公開（公告）號(hào): CN109781411B
• 公開（公告）日: 2020-05-19
• 發(fā)明（設(shè)計(jì)）人: 楊清宇;張志強(qiáng);安豆;乃永強(qiáng)
• 申請(qǐng)（專利權(quán)）人: 西安交通大學(xué)
• 主分類號(hào): G01M13/045
• 分類號(hào): G01M13/045
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 徐文權(quán)

本發(fā)明公開了一種結(jié)合改進(jìn)的稀疏濾波器與KELM的軸承故障診斷方法，在原始稀疏濾波器中嵌入一個(gè)Min?Max正則項(xiàng)，得到改進(jìn)的稀疏濾波器，Min?Max正則項(xiàng)可以刻畫原始數(shù)據(jù)的內(nèi)在結(jié)構(gòu)信息，它促使同類的樣本相互靠近而不同類的樣本相互分離，從而產(chǎn)生具有判別性的特征。特征的判別性主要由于在Min?Max正則項(xiàng)的構(gòu)建中使用了類標(biāo)簽信息，使用偽標(biāo)簽代替真實(shí)標(biāo)簽去指導(dǎo)Min?Max正則項(xiàng)的構(gòu)建。采集滾動(dòng)軸承不同運(yùn)行工況的振動(dòng)信號(hào)作為訓(xùn)練集，用訓(xùn)練集訓(xùn)練改進(jìn)的稀疏濾波器模型和核極限學(xué)習(xí)機(jī)模型，得到模型參數(shù)從而完成故障診斷分類模型的建立，診斷模型能夠準(zhǔn)確識(shí)別滾動(dòng)軸承故障。

技術(shù)領(lǐng)域

本發(fā)明屬于故障診斷方法，尤其涉及一種結(jié)合改進(jìn)稀疏濾波器與KELM的軸承故障診斷方法。

背景技術(shù)

滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械、電氣設(shè)備的重要部件，素有“工業(yè)的關(guān)節(jié)”之稱，其運(yùn)行狀態(tài)的好壞直接關(guān)系到設(shè)備的生產(chǎn)效率和安全。在一些大型工業(yè)設(shè)備如航空發(fā)動(dòng)機(jī)、燃?xì)廨啓C(jī)中，滾動(dòng)軸承往往工作在高溫、高速和重載等惡劣環(huán)境中，這將使得滾動(dòng)軸承不可避免地發(fā)生一些故障，而對(duì)滾動(dòng)軸承運(yùn)行狀態(tài)監(jiān)測與診斷，及時(shí)準(zhǔn)確診斷出滾動(dòng)軸承發(fā)生的故障尤為關(guān)鍵。由于滾動(dòng)軸承運(yùn)行時(shí)，其振動(dòng)信號(hào)中富含豐富的反映運(yùn)行狀態(tài)的信息，因此近年來利用各種信號(hào)處理技術(shù)，如時(shí)域分析、頻域分析、經(jīng)驗(yàn)?zāi)Ｊ椒纸狻⑿〔ㄗ儞Q等從原始振動(dòng)信號(hào)中提取敏感特征用于診斷軸承故障得到了廣泛的研究和應(yīng)用。但是，基于信號(hào)處理技術(shù)的故障特征提取方法需要相關(guān)人員掌握和精通各種信號(hào)處理技術(shù)，并且針對(duì)不同的振動(dòng)信號(hào)選擇不同的信號(hào)處理技術(shù)，這種方式在一定程度上過于耗費(fèi)人力和依賴經(jīng)驗(yàn)知識(shí)。因此如何設(shè)計(jì)一種方法能從滾動(dòng)軸承振動(dòng)信號(hào)中自動(dòng)地學(xué)習(xí)出豐富的故障特征是亟待解決的問題。

滾動(dòng)軸承的故障診斷屬于模式識(shí)別問題，通常包括特征提取和模式分類兩個(gè)階段。在特征提取階段，基于信號(hào)處理技術(shù)的特征提取方法太依賴于經(jīng)驗(yàn)知識(shí)和人力勞動(dòng)，無監(jiān)督特征學(xué)習(xí)方法近年來備受關(guān)注，該方法直接將原始的振動(dòng)信號(hào)作為輸入，通過一系列的線性或非線性變換得到相應(yīng)的特征表征。在模式分類階段，將得到的特征表征直接送入訓(xùn)練好的分類器中實(shí)現(xiàn)故障分類，核極限學(xué)習(xí)機(jī)(KELM)作為一種經(jīng)典的分類器，因其訓(xùn)練速度快，分類精度高而被廣泛應(yīng)用。在這兩個(gè)階段中，特征提取最為關(guān)鍵，好的特征能決定模型泛化能力上界，換句話說如果提取的特征不夠強(qiáng)大，那么再好的分類器也無法保證準(zhǔn)確的診斷精度。因此，所發(fā)明的故障診斷方法重點(diǎn)在于設(shè)計(jì)一種基于無監(jiān)督特征學(xué)習(xí)的特征提取器。稀疏濾波器(SF)是一種典型的無監(jiān)督特征學(xué)習(xí)方法，其優(yōu)點(diǎn)在于可調(diào)超參數(shù)較少(只有模型的輸出維度)、適合處理高維復(fù)雜的數(shù)據(jù)，并且能夠?qū)W習(xí)具有高稀疏性、高分散性的特征。然而，原始的SF不足之處在于，它忽略了輸入數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，這將可能導(dǎo)致其無法學(xué)習(xí)出具有高度判別性的特征，進(jìn)而使得KELM分類器無法取得較為準(zhǔn)確的分類結(jié)果。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種結(jié)合改進(jìn)稀疏濾波器與KELM的軸承故障診斷方法。

為了實(shí)現(xiàn)以上目的，本發(fā)明采用了以下技術(shù)方案：

一種結(jié)合改進(jìn)稀疏濾波器與KELM的軸承故障診斷方法，包括以下步驟：

S1、采集滾動(dòng)軸承不同運(yùn)行工況下的時(shí)域振動(dòng)信號(hào)；振動(dòng)信號(hào)能夠反應(yīng)軸承的若干種故障類型；

S2、根據(jù)時(shí)域振動(dòng)信號(hào)構(gòu)造含有N個(gè)樣本的無標(biāo)簽的訓(xùn)練集以及含有M個(gè)樣本的有標(biāo)簽的訓(xùn)練集

其中，x_n為訓(xùn)練集T1中采集到的D維振動(dòng)信號(hào)；a_m為訓(xùn)練集T2中采集到的D維振動(dòng)信號(hào)，是D維振動(dòng)信號(hào)對(duì)應(yīng)的工況標(biāo)簽編碼，c為軸承的故障類型個(gè)數(shù)，也即為軸承的故障類型數(shù)，如當(dāng)c＝3，表示軸承故障有3種，此時(shí)對(duì)應(yīng)第二種故障；

S3、計(jì)算訓(xùn)練集T1每個(gè)振動(dòng)信號(hào)x_n的時(shí)域統(tǒng)計(jì)參數(shù)，并得到振動(dòng)信號(hào)x_n對(duì)應(yīng)的統(tǒng)計(jì)特征向量t_n，n＝1,2,···,N；